SRU++ Large only 2 attention layers (k=5) (WT103)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- ASAPP
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 24 February 2021
- Autores
- Tao Lei
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Language
- Tarea
- Language modeling
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 225M
- Datos de entrenamiento
- tokens
- Épocas
- 34.08
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 3.6 × 10¹⁹ FLOP
- Cómo se estableció
- Hardware
11 V100 GPU days 11*24*60*60*125000000000000*0.3=3.564e+19
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA V100
- Chips utilizados
- 8
- Tiempo de reloj
- 33 hours
- Consumo de energía
- 4.9 kW
Disponibilidad
Si puedes obtener el modelo y ejecutarlo en tu propio hardware, lo que decide si alguna de las cifras de la GPU en esta página se aplica.
- Pesos
- Closed — provider access only
- Acceso al modelo
- Unreleased
- Código de entrenamiento
- Unreleased
code with MIT license (no script for WT103) https://github.com/asappresearch/sru/blob/master/language_model/README.md
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Confianza de registro
- Confident
- Citas
- 54
- Datos de referencia
- SRU++ Large only 2 attention layers (k=5)
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- When Attention Meets Fast Recurrence: Training Language Models with Reduced Compute
- Última actualización
- 11 February 2026
Qué significan los números
Fondo
SRU++ Large only 2 attention layers (k=5) (WT103) fue publicado por ASAPP, en el país registrado como United States of America, durante February 2021. Sale de una organización categorizada como industry.
Funciona en el dominio de Language, y se registra como realizando la tarea de language modeling.
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
Entrenarlo tomó un presupuesto de computación de aproximadamente 3.6 × 10¹⁹ FLOP, en hardware registrado como NVIDIA V100. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
Respuestas
SRU++ Large only 2 attention layers (k=5) (WT103) — preguntas comunes
SRU++ Large only 2 attention layers (k=5) (WT103)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 225M. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
SRU++ Large only 2 attention layers (k=5) (WT103)— ¿Quién lo creó?
Fue publicado por ASAPP, basado en United States of America, una organización categorizada como industry.
SRU++ Large only 2 attention layers (k=5) (WT103)— ¿cuándo fue lanzado?
Se publicó en February 2021. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
SRU++ Large only 2 attention layers (k=5) (WT103)— ¿Para qué se utiliza?
Funciona en el dominio de Language, y se registra como manejando la tarea de language modeling. Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
SRU++ Large only 2 attention layers (k=5) (WT103)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 3.6 × 10¹⁹ FLOP, en hardware registrado como NVIDIA V100. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
SRU++ Large only 2 attention layers (k=5) (WT103)— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
SRU++ Large only 2 attention layers (k=5) (WT103)— ¿Es de código abierto?
No. Sus pesos no han sido publicados, por lo que existe solo como un servicio controlado por su propietario.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.